- 高等教育出版社
- 9787040651232
- 1版
- 43261192-9
- 16开
- 310
- 公共基础课
- 公共基础课
- 通用
- 本科 高职
内容简介
本书以培养学生的系统思维、计算思维和自主学习能力为目标，使学生对人工智能相关知识、方法和技术形成系统认知，未来能够与人工智能专业人士良好合作，利用人工智能技术解决各专业领域中的问题。本书共分4篇12章，主要内容包括人工智能概述、人工智能基础理论、人工智能应用技术与伦理、人工智能应用案例。本书视角独特、内容精炼、深入浅出，适合作为高校非计算机类专业人工智能通识课程的教材。
目录
目录
前辅文
第1篇 人工智能概述
第1章 概论
1.1 引言
1.2 人工智能相关概念及术语
1.3 人工智能发展简史
1.3.1 人工智能的诞生
1.3.2 第一阶段：推理期（logic reasoning）
1.3.3 第二阶段：知识期（knowledge engineering）
1.3.4 第三阶段：学习期（machine learning）
1.4 人工智能对社会的影响
1.4.1 人工智能是技术发展的必然
1.4.2 “AI+X”模式引起的深刻变革
1.4.3 人工智能的合理使用
1.5 小结
1.6 练习
参考文献
第2章 人工智能系统
2.1 引言
2.2 人工智能系统需求和可行性分析
2.2.1 人工智能系统构建需考虑的因素
2.2.2 人工智能系统需求分析案例
2.3 人工智能系统架构设计与实现
2.3.1 信息系统架构演进
2.3.2 人工智能系统架构的主要特点
2.3.3 人工智能系统架构设计案例
2.4 人工智能系统维护与更新
2.4.1 人工智能系统维护与更新需注意的问题
2.4.2 人工智能系统维护与更新案例
2.5 小结
2.6 练习
第2篇 人工智能基础理论
第3章 机器学习
3.1 引言
3.2 机器学习的概念与分类
3.3 机器学习基本术语
3.4 模型评估与选择
3.4.1 评估方法
3.4.2 调参与最终模型
3.4.3 性能度量
3.5 监督学习
3.5.1 线性模型
3.5.2 决策树
3.5.3 支持向量机
3.6 无监督学习
3.7 弱监督学习
3.7.1 半监督学习
3.7.2 迁移学习
3.7.3 强化学习
3.8 小结
3.9 练习
参考文献
第4章 深度学习
4.1 引言
4.2 人工神经网络基础
4.2.1 生物神经元
4.2.2 感知机与多层感知机
4.2.3 人工神经网络工作原理
4.3 卷积神经网络
4.3.1 卷积计算
4.3.2 池化
4.3.3 卷积神经网络举例：LeNet-5
4.3.4 神经网络正则化
4.4 循环神经网络
4.4.1 循环神经网络的基本结构
4.4.2 长短时记忆网络
4.4.3 门控循环单元
4.4.4 循环神经网络的应用
4.5 深度生成网络
4.5.1 自编码器和变分自编码器
4.5.2 生成对抗网络
4.5.3 深度生成网络的应用
4.6 深度强化学习
4.6.1 深度强化学习原理
4.6.2 深度强化学习的应用
4.7 深度学习的挑战和未来趋势
4.8 小结
4.9 练习
参考文献
第5章 大模型
5.1 引言
5.2 大模型基础
5.2.1 大模型相关概念
5.2.2 大模型发展历程
5.2.3 大模型资源
5.3 大模型预训练
5.3.1 数据准备
5.3.2 模型架构
5.3.3 模型预训练
5.4 大模型微调与对齐
5.4.1 指令微调
5.4.2 人类对齐
5.5 大模型使用
5.5.1 提示学习
5.5.2 规划与智能体
5.6 大模型评测
5.6.1 评测指标与评测方法
5.6.2 基础能力评测
5.6.3 高级能力评测
5.6.4 公开综合评测体系
5.7 大模型发展趋势与展望
5.8 小结
5.9 练习
参考文献
第3篇 人工智能应用技术与伦理
第6章 计算机视觉
6.1 引言
6.2 计算机视觉系统
6.3 经典图像处理算法
6.3.1 图像变换
6.3.2 图像平滑
6.3.3 边缘检测
6.3.4 图像分割
6.3.5 形状分析
6.3.6 特征提取
6.4 目标识别
6.4.1 AlexNet模型
6.4.2 VGG模型
6.4.3 GoogLeNet模型
6.4.4 ResNet模型
6.5 目标检测
6.5.1 两阶段目标检测方法
6.5.2 一阶段目标检测方法
6.6 实例分割
6.7 目标跟踪
6.8 三维重建
6.9 计算机视觉的应用挑战和未来趋势
6.9.1 计算机视觉的应用挑战
6.9.2 计算机视觉的未来趋势
6.10 小结
6.11 练习
参考文献
第7章 自然语言处理
7.1 引言
7.2 自然语言处理概述
7.2.1 自然语言处理的主要研究内容
7.2.2 自然语言处理的主要挑战
7.2.3 自然语言处理的主要方法
7.3 自然语言处理基础技术
7.3.1 词汇分析
7.3.2 句法分析
7.3.3 语义分析
7.3.4篇章分析
7.3.5 语言模型
7.4 自然语言处理应用技术
7.4.1 信息抽取
7.4.2 机器翻译
7.4.3 情感分析
7.4.4 智能问答
7.4.5 文本摘要
7.4.6 知识图谱
7.5 自然语言处理模型的健壮性和可解释性
7.5.1 模型健壮性
7.5.2 模型可解释性
7.6 小结
7.7 练习
参考文献
第8章 人工智能伦理
8.1 引言
8.2 人工智能伦理概述
8.3 人工智能伦理的相关问题
8.3.1 隐私保护
8.3.2 公平与公正
8.3.3 信任与尊严
8.3.4 无害与善行
8.3.5 责任与担当
8.3.6 自治与团结
8.3.7 透明度与可解释性
8.3.8 可持续发展
8.4 人工智能系统生命周期中的伦理与规范
8.4.1 需求分析阶段
8.4.2 设计与开发阶段
8.4.3 测试与部署阶段
8.4.4 运维与退役阶段
8.5 人工智能伦理与法律法规
8.6 人工智能伦理的未来发展
8.7 小结
8.8 练习
参考文献
第4篇 人工智能应用案例
第9章 智慧医疗
9.1 引言
9.2 智能诊疗
9.3 智能药物研发
9.4 医学影像分析与诊断
9.5 智能健康管理
9.6 医院管理决策支持
9.7 医学教育与研究
9.8 小结
9.9 练习
第10章 智慧商业与金融
10.1 引言
10.2 智慧商业
10.3 智慧金融
10.4 智慧商业与金融的未来发展趋势
10.5 小结
10.6 练习
第11章 智慧教育
11.1 引言
11.2 智慧教育概述
11.3 智慧教育平台与个性化学习
11.4 基于大模型的课程助教系统
11.5 基于增强现实的教学演示系统
11.6 智慧教育的未来发展趋势
11.7 小结
11.8 练习
第12章 智慧城市
12.1 引言
12.2 智慧交通
12.3 智慧安防
12.4 智慧环保
12.5 智慧政务
12.6 智慧城市的未来发展趋势
12.7 小结
12.8 练习
前辅文
第1篇 人工智能概述
第1章 概论
1.1 引言
1.2 人工智能相关概念及术语
1.3 人工智能发展简史
1.3.1 人工智能的诞生
1.3.2 第一阶段：推理期（logic reasoning）
1.3.3 第二阶段：知识期（knowledge engineering）
1.3.4 第三阶段：学习期（machine learning）
1.4 人工智能对社会的影响
1.4.1 人工智能是技术发展的必然
1.4.2 “AI+X”模式引起的深刻变革
1.4.3 人工智能的合理使用
1.5 小结
1.6 练习
参考文献
第2章 人工智能系统
2.1 引言
2.2 人工智能系统需求和可行性分析
2.2.1 人工智能系统构建需考虑的因素
2.2.2 人工智能系统需求分析案例
2.3 人工智能系统架构设计与实现
2.3.1 信息系统架构演进
2.3.2 人工智能系统架构的主要特点
2.3.3 人工智能系统架构设计案例
2.4 人工智能系统维护与更新
2.4.1 人工智能系统维护与更新需注意的问题
2.4.2 人工智能系统维护与更新案例
2.5 小结
2.6 练习
第2篇 人工智能基础理论
第3章 机器学习
3.1 引言
3.2 机器学习的概念与分类
3.3 机器学习基本术语
3.4 模型评估与选择
3.4.1 评估方法
3.4.2 调参与最终模型
3.4.3 性能度量
3.5 监督学习
3.5.1 线性模型
3.5.2 决策树
3.5.3 支持向量机
3.6 无监督学习
3.7 弱监督学习
3.7.1 半监督学习
3.7.2 迁移学习
3.7.3 强化学习
3.8 小结
3.9 练习
参考文献
第4章 深度学习
4.1 引言
4.2 人工神经网络基础
4.2.1 生物神经元
4.2.2 感知机与多层感知机
4.2.3 人工神经网络工作原理
4.3 卷积神经网络
4.3.1 卷积计算
4.3.2 池化
4.3.3 卷积神经网络举例：LeNet-5
4.3.4 神经网络正则化
4.4 循环神经网络
4.4.1 循环神经网络的基本结构
4.4.2 长短时记忆网络
4.4.3 门控循环单元
4.4.4 循环神经网络的应用
4.5 深度生成网络
4.5.1 自编码器和变分自编码器
4.5.2 生成对抗网络
4.5.3 深度生成网络的应用
4.6 深度强化学习
4.6.1 深度强化学习原理
4.6.2 深度强化学习的应用
4.7 深度学习的挑战和未来趋势
4.8 小结
4.9 练习
参考文献
第5章 大模型
5.1 引言
5.2 大模型基础
5.2.1 大模型相关概念
5.2.2 大模型发展历程
5.2.3 大模型资源
5.3 大模型预训练
5.3.1 数据准备
5.3.2 模型架构
5.3.3 模型预训练
5.4 大模型微调与对齐
5.4.1 指令微调
5.4.2 人类对齐
5.5 大模型使用
5.5.1 提示学习
5.5.2 规划与智能体
5.6 大模型评测
5.6.1 评测指标与评测方法
5.6.2 基础能力评测
5.6.3 高级能力评测
5.6.4 公开综合评测体系
5.7 大模型发展趋势与展望
5.8 小结
5.9 练习
参考文献
第3篇 人工智能应用技术与伦理
第6章 计算机视觉
6.1 引言
6.2 计算机视觉系统
6.3 经典图像处理算法
6.3.1 图像变换
6.3.2 图像平滑
6.3.3 边缘检测
6.3.4 图像分割
6.3.5 形状分析
6.3.6 特征提取
6.4 目标识别
6.4.1 AlexNet模型
6.4.2 VGG模型
6.4.3 GoogLeNet模型
6.4.4 ResNet模型
6.5 目标检测
6.5.1 两阶段目标检测方法
6.5.2 一阶段目标检测方法
6.6 实例分割
6.7 目标跟踪
6.8 三维重建
6.9 计算机视觉的应用挑战和未来趋势
6.9.1 计算机视觉的应用挑战
6.9.2 计算机视觉的未来趋势
6.10 小结
6.11 练习
参考文献
第7章 自然语言处理
7.1 引言
7.2 自然语言处理概述
7.2.1 自然语言处理的主要研究内容
7.2.2 自然语言处理的主要挑战
7.2.3 自然语言处理的主要方法
7.3 自然语言处理基础技术
7.3.1 词汇分析
7.3.2 句法分析
7.3.3 语义分析
7.3.4篇章分析
7.3.5 语言模型
7.4 自然语言处理应用技术
7.4.1 信息抽取
7.4.2 机器翻译
7.4.3 情感分析
7.4.4 智能问答
7.4.5 文本摘要
7.4.6 知识图谱
7.5 自然语言处理模型的健壮性和可解释性
7.5.1 模型健壮性
7.5.2 模型可解释性
7.6 小结
7.7 练习
参考文献
第8章 人工智能伦理
8.1 引言
8.2 人工智能伦理概述
8.3 人工智能伦理的相关问题
8.3.1 隐私保护
8.3.2 公平与公正
8.3.3 信任与尊严
8.3.4 无害与善行
8.3.5 责任与担当
8.3.6 自治与团结
8.3.7 透明度与可解释性
8.3.8 可持续发展
8.4 人工智能系统生命周期中的伦理与规范
8.4.1 需求分析阶段
8.4.2 设计与开发阶段
8.4.3 测试与部署阶段
8.4.4 运维与退役阶段
8.5 人工智能伦理与法律法规
8.6 人工智能伦理的未来发展
8.7 小结
8.8 练习
参考文献
第4篇 人工智能应用案例
第9章 智慧医疗
9.1 引言
9.2 智能诊疗
9.3 智能药物研发
9.4 医学影像分析与诊断
9.5 智能健康管理
9.6 医院管理决策支持
9.7 医学教育与研究
9.8 小结
9.9 练习
第10章 智慧商业与金融
10.1 引言
10.2 智慧商业
10.3 智慧金融
10.4 智慧商业与金融的未来发展趋势
10.5 小结
10.6 练习
第11章 智慧教育
11.1 引言
11.2 智慧教育概述
11.3 智慧教育平台与个性化学习
11.4 基于大模型的课程助教系统
11.5 基于增强现实的教学演示系统
11.6 智慧教育的未来发展趋势
11.7 小结
11.8 练习
第12章 智慧城市
12.1 引言
12.2 智慧交通
12.3 智慧安防
12.4 智慧环保
12.5 智慧政务
12.6 智慧城市的未来发展趋势
12.7 小结
12.8 练习
前辅文
第1篇 人工智能概述
第1章 概论
1.1 引言
1.2 人工智能相关概念及术语
1.3 人工智能发展简史
1.3.1 人工智能的诞生
1.3.2 第一阶段：推理期（logic reasoning）
1.3.3 第二阶段：知识期（knowledge engineering）
1.3.4 第三阶段：学习期（machine learning）
1.4 人工智能对社会的影响
1.4.1 人工智能是技术发展的必然
1.4.2 “AI+X”模式引起的深刻变革
1.4.3 人工智能的合理使用
1.5 小结
1.6 练习
参考文献
第2章 人工智能系统
2.1 引言
2.2 人工智能系统需求和可行性分析
2.2.1 人工智能系统构建需考虑的因素
2.2.2 人工智能系统需求分析案例
2.3 人工智能系统架构设计与实现
2.3.1 信息系统架构演进
2.3.2 人工智能系统架构的主要特点
2.3.3 人工智能系统架构设计案例
2.4 人工智能系统维护与更新
2.4.1 人工智能系统维护与更新需注意的问题
2.4.2 人工智能系统维护与更新案例
2.5 小结
2.6 练习
第2篇 人工智能基础理论
第3章 机器学习
3.1 引言
3.2 机器学习的概念与分类
3.3 机器学习基本术语
3.4 模型评估与选择
3.4.1 评估方法
3.4.2 调参与最终模型
3.4.3 性能度量
3.5 监督学习
3.5.1 线性模型
3.5.2 决策树
3.5.3 支持向量机
3.6 无监督学习
3.7 弱监督学习
3.7.1 半监督学习
3.7.2 迁移学习
3.7.3 强化学习
3.8 小结
3.9 练习
参考文献
第4章 深度学习
4.1 引言
4.2 人工神经网络基础
4.2.1 生物神经元
4.2.2 感知机与多层感知机
4.2.3 人工神经网络工作原理
4.3 卷积神经网络
4.3.1 卷积计算
4.3.2 池化
4.3.3 卷积神经网络举例：LeNet-5
4.3.4 神经网络正则化
4.4 循环神经网络
4.4.1 循环神经网络的基本结构
4.4.2 长短时记忆网络
4.4.3 门控循环单元
4.4.4 循环神经网络的应用
4.5 深度生成网络
4.5.1 自编码器和变分自编码器
4.5.2 生成对抗网络
4.5.3 深度生成网络的应用
4.6 深度强化学习
4.6.1 深度强化学习原理
4.6.2 深度强化学习的应用
4.7 深度学习的挑战和未来趋势
4.8 小结
4.9 练习
参考文献
第5章 大模型
5.1 引言
5.2 大模型基础
5.2.1 大模型相关概念
5.2.2 大模型发展历程
5.2.3 大模型资源
5.3 大模型预训练
5.3.1 数据准备
5.3.2 模型架构
5.3.3 模型预训练
5.4 大模型微调与对齐
5.4.1 指令微调
5.4.2 人类对齐
5.5 大模型使用
5.5.1 提示学习
5.5.2 规划与智能体
5.6 大模型评测
5.6.1 评测指标与评测方法
5.6.2 基础能力评测
5.6.3 高级能力评测
5.6.4 公开综合评测体系
5.7 大模型发展趋势与展望
5.8 小结
5.9 练习
参考文献
第3篇 人工智能应用技术与伦理
第6章 计算机视觉
6.1 引言
6.2 计算机视觉系统
6.3 经典图像处理算法
6.3.1 图像变换
6.3.2 图像平滑
6.3.3 边缘检测
6.3.4 图像分割
6.3.5 形状分析
6.3.6 特征提取
6.4 目标识别
6.4.1 AlexNet模型
6.4.2 VGG模型
6.4.3 GoogLeNet模型
6.4.4 ResNet模型
6.5 目标检测
6.5.1 两阶段目标检测方法
6.5.2 一阶段目标检测方法
6.6 实例分割
6.7 目标跟踪
6.8 三维重建
6.9 计算机视觉的应用挑战和未来趋势
6.9.1 计算机视觉的应用挑战
6.9.2 计算机视觉的未来趋势
6.10 小结
6.11 练习
参考文献
第7章 自然语言处理
7.1 引言
7.2 自然语言处理概述
7.2.1 自然语言处理的主要研究内容
7.2.2 自然语言处理的主要挑战
7.2.3 自然语言处理的主要方法
7.3 自然语言处理基础技术
7.3.1 词汇分析
7.3.2 句法分析
7.3.3 语义分析
7.3.4篇章分析
7.3.5 语言模型
7.4 自然语言处理应用技术
7.4.1 信息抽取
7.4.2 机器翻译
7.4.3 情感分析
7.4.4 智能问答
7.4.5 文本摘要
7.4.6 知识图谱
7.5 自然语言处理模型的健壮性和可解释性
7.5.1 模型健壮性
7.5.2 模型可解释性
7.6 小结
7.7 练习
参考文献
第8章 人工智能伦理
8.1 引言
8.2 人工智能伦理概述
8.3 人工智能伦理的相关问题
8.3.1 隐私保护
8.3.2 公平与公正
8.3.3 信任与尊严
8.3.4 无害与善行
8.3.5 责任与担当
8.3.6 自治与团结
8.3.7 透明度与可解释性
8.3.8 可持续发展
8.4 人工智能系统生命周期中的伦理与规范
8.4.1 需求分析阶段
8.4.2 设计与开发阶段
8.4.3 测试与部署阶段
8.4.4 运维与退役阶段
8.5 人工智能伦理与法律法规
8.6 人工智能伦理的未来发展
8.7 小结
8.8 练习
参考文献
第4篇 人工智能应用案例
第9章 智慧医疗
9.1 引言
9.2 智能诊疗
9.3 智能药物研发
9.4 医学影像分析与诊断
9.5 智能健康管理
9.6 医院管理决策支持
9.7 医学教育与研究
9.8 小结
9.9 练习
第10章 智慧商业与金融
10.1 引言
10.2 智慧商业
10.3 智慧金融
10.4 智慧商业与金融的未来发展趋势
10.5 小结
10.6 练习
第11章 智慧教育
11.1 引言
11.2 智慧教育概述
11.3 智慧教育平台与个性化学习
11.4 基于大模型的课程助教系统
11.5 基于增强现实的教学演示系统
11.6 智慧教育的未来发展趋势
11.7 小结
11.8 练习
第12章 智慧城市
12.1 引言
12.2 智慧交通
12.3 智慧安防
12.4 智慧环保
12.5 智慧政务
12.6 智慧城市的未来发展趋势
12.7 小结
12.8 练习
前辅文
第1篇 人工智能概述
第1章 概论
1.1 引言
1.2 人工智能相关概念及术语
1.3 人工智能发展简史
1.3.1 人工智能的诞生
1.3.2 第一阶段：推理期（logic reasoning）
1.3.3 第二阶段：知识期（knowledge engineering）
1.3.4 第三阶段：学习期（machine learning）
1.4 人工智能对社会的影响
1.4.1 人工智能是技术发展的必然
1.4.2 “AI+X”模式引起的深刻变革
1.4.3 人工智能的合理使用
1.5 小结
1.6 练习
参考文献
第2章 人工智能系统
2.1 引言
2.2 人工智能系统需求和可行性分析
2.2.1 人工智能系统构建需考虑的因素
2.2.2 人工智能系统需求分析案例
2.3 人工智能系统架构设计与实现
2.3.1 信息系统架构演进
2.3.2 人工智能系统架构的主要特点
2.3.3 人工智能系统架构设计案例
2.4 人工智能系统维护与更新
2.4.1 人工智能系统维护与更新需注意的问题
2.4.2 人工智能系统维护与更新案例
2.5 小结
2.6 练习
第2篇 人工智能基础理论
第3章 机器学习
3.1 引言
3.2 机器学习的概念与分类
3.3 机器学习基本术语
3.4 模型评估与选择
3.4.1 评估方法
3.4.2 调参与最终模型
3.4.3 性能度量
3.5 监督学习
3.5.1 线性模型
3.5.2 决策树
3.5.3 支持向量机
3.6 无监督学习
3.7 弱监督学习
3.7.1 半监督学习
3.7.2 迁移学习
3.7.3 强化学习
3.8 小结
3.9 练习
参考文献
第4章 深度学习
4.1 引言
4.2 人工神经网络基础
4.2.1 生物神经元
4.2.2 感知机与多层感知机
4.2.3 人工神经网络工作原理
4.3 卷积神经网络
4.3.1 卷积计算
4.3.2 池化
4.3.3 卷积神经网络举例：LeNet-5
4.3.4 神经网络正则化
4.4 循环神经网络
4.4.1 循环神经网络的基本结构
4.4.2 长短时记忆网络
4.4.3 门控循环单元
4.4.4 循环神经网络的应用
4.5 深度生成网络
4.5.1 自编码器和变分自编码器
4.5.2 生成对抗网络
4.5.3 深度生成网络的应用
4.6 深度强化学习
4.6.1 深度强化学习原理
4.6.2 深度强化学习的应用
4.7 深度学习的挑战和未来趋势
4.8 小结
4.9 练习
参考文献
第5章 大模型
5.1 引言
5.2 大模型基础
5.2.1 大模型相关概念
5.2.2 大模型发展历程
5.2.3 大模型资源
5.3 大模型预训练
5.3.1 数据准备
5.3.2 模型架构
5.3.3 模型预训练
5.4 大模型微调与对齐
5.4.1 指令微调
5.4.2 人类对齐
5.5 大模型使用
5.5.1 提示学习
5.5.2 规划与智能体
5.6 大模型评测
5.6.1 评测指标与评测方法
5.6.2 基础能力评测
5.6.3 高级能力评测
5.6.4 公开综合评测体系
5.7 大模型发展趋势与展望
5.8 小结
5.9 练习
参考文献
第3篇 人工智能应用技术与伦理
第6章 计算机视觉
6.1 引言
6.2 计算机视觉系统
6.3 经典图像处理算法
6.3.1 图像变换
6.3.2 图像平滑
6.3.3 边缘检测
6.3.4 图像分割
6.3.5 形状分析
6.3.6 特征提取
6.4 目标识别
6.4.1 AlexNet模型
6.4.2 VGG模型
6.4.3 GoogLeNet模型
6.4.4 ResNet模型
6.5 目标检测
6.5.1 两阶段目标检测方法
6.5.2 一阶段目标检测方法
6.6 实例分割
6.7 目标跟踪
6.8 三维重建
6.9 计算机视觉的应用挑战和未来趋势
6.9.1 计算机视觉的应用挑战
6.9.2 计算机视觉的未来趋势
6.10 小结
6.11 练习
参考文献
第7章 自然语言处理
7.1 引言
7.2 自然语言处理概述
7.2.1 自然语言处理的主要研究内容
7.2.2 自然语言处理的主要挑战
7.2.3 自然语言处理的主要方法
7.3 自然语言处理基础技术
7.3.1 词汇分析
7.3.2 句法分析
7.3.3 语义分析
7.3.4篇章分析
7.3.5 语言模型
7.4 自然语言处理应用技术
7.4.1 信息抽取
7.4.2 机器翻译
7.4.3 情感分析
7.4.4 智能问答
7.4.5 文本摘要
7.4.6 知识图谱
7.5 自然语言处理模型的健壮性和可解释性
7.5.1 模型健壮性
7.5.2 模型可解释性
7.6 小结
7.7 练习
参考文献
第8章 人工智能伦理
8.1 引言
8.2 人工智能伦理概述
8.3 人工智能伦理的相关问题
8.3.1 隐私保护
8.3.2 公平与公正
8.3.3 信任与尊严
8.3.4 无害与善行
8.3.5 责任与担当
8.3.6 自治与团结
8.3.7 透明度与可解释性
8.3.8 可持续发展
8.4 人工智能系统生命周期中的伦理与规范
8.4.1 需求分析阶段
8.4.2 设计与开发阶段
8.4.3 测试与部署阶段
8.4.4 运维与退役阶段
8.5 人工智能伦理与法律法规
8.6 人工智能伦理的未来发展
8.7 小结
8.8 练习
参考文献
第4篇 人工智能应用案例
第9章 智慧医疗
9.1 引言
9.2 智能诊疗
9.3 智能药物研发
9.4 医学影像分析与诊断
9.5 智能健康管理
9.6 医院管理决策支持
9.7 医学教育与研究
9.8 小结
9.9 练习
第10章 智慧商业与金融
10.1 引言
10.2 智慧商业
10.3 智慧金融
10.4 智慧商业与金融的未来发展趋势
10.5 小结
10.6 练习
第11章 智慧教育
11.1 引言
11.2 智慧教育概述
11.3 智慧教育平台与个性化学习
11.4 基于大模型的课程助教系统
11.5 基于增强现实的教学演示系统
11.6 智慧教育的未来发展趋势
11.7 小结
11.8 练习
第12章 智慧城市
12.1 引言
12.2 智慧交通
12.3 智慧安防
12.4 智慧环保
12.5 智慧政务
12.6 智慧城市的未来发展趋势
12.7 小结
12.8 练习
